基于徑向基神經網絡的尾門優化研究

摘要：某一新車尾門懸掛重達35 kg備胎，需滿足下垂性能指標及輕量化需求，針對傳統人工迭代優化周期長、難度大的問題，提出一種基于徑向基神經網絡（RBF）的尾門優化方法，首先將尾門結構參數和料厚定義為可優化設計變量，然后通過試驗設計（DOE）生成不同設計變量與車門下垂性能對應關系的多組數據，再基于RBF建立結構參數和性能的非線性映射，最后基于Isight的遺傳算法對尾門參數進行優化。結果表明，優化方案尾門滿足下垂下墜性能，并且減重1.0 kg（3.7%）。該研究對尾門優化設計有較大的工程參考價值。

關鍵詞：尾門；優化；徑向基神經網絡；試驗設計；遺傳算法

中圖分類號：U463.83+4 文獻標志碼：A 文章編號：1671-0797（2024）20-0071-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.20.016

0 引言

尾門是汽車的重要零部件之一，應滿足下垂性能、剛強度、模態及耐久等性能，此外，汽車尾門輕量化有利于提升汽車燃油經濟性、續航里程及降低材料成本，因此，對尾門結構進行優化設計實現輕量化顯得十分重要。李軍等人[1]基于試驗設計和徑向基神經網絡（RBF）模型的強大擬合能力，構建了車門質量、一階模態頻率、二階模態頻率、上扭轉剛度、下扭轉剛度、側向彎曲剛度以及下沉剛度響應的近似模型，并在此基礎上，通過多目標遺傳算法在滿足車門性能的條件下對車門的料厚進行優化，實現車門輕量化。秦訓鵬等人[2]應用靈敏度分析方法和響應面法，通過對車門料厚的優化實現了車門模態和白車身模態分離，同時實現減重5.83%。劉鋒等人[3]以車門部件的厚度作為設計參數，建立了設計參數和車門模態性能的響應面模型，然后基于遺傳算法和近似模型對車門在保證模態性能的條件下進行輕量化優化，成功實現了車門質量的減輕。

現有優化研究主要集中于剛度和模態等線性分析，而且優化參量以料厚為主。針對汽車尾門下垂及殘余變形的非線性分析，優化難度更大。本文提出了一種將網格變形技術、徑向基神經網絡、遺傳優化算法相結合的優化方法，可以實現尾門各種結構參數及料厚同時優化，實現車門的最優化設計。下文首先介紹了徑向基神經網絡的基本原理，然后介紹了車門下垂性能分析方法，緊接著基于遺傳算法和神經網絡對車門進行優化，最后對優化后的結果進行了驗證。

1 尾門有限元仿真分析

1.1 車門有限元建模

尾門總成如圖1所示，由沖壓而成的鈑金件通過焊接、膠接、包邊裝配而成，其長度或寬度方向的尺寸遠大于厚度方向的尺寸，符合殼單元的理論假設，因此尾門建模采用殼單元有限元建模[4]，網格大小為8 mm，并將單元質量參數如長寬比、翹曲度等控制在合理范圍內。鈑金件由殼單元進行網格劃分來實現結構離散化處理，即選用四邊形網格單元和三角形單元進行網格劃分，并控制三角形單元的網格數量小于整個車門有限元模型網格數量的10%。焊點采用beam單元進行模擬。備胎通過質量配重來模擬，內飾質量也通過配重來模擬。車門鈑金的材料為鋼材，彈性模量為2.1×105 MPa，泊松比為0.3，密度為7.9×10-9 kg/mm3，車門總重量為27.1 kg。

1.2 尾門下垂下墜分析

由于本文所研究的車型尾門帶備胎，備胎重量達35 kg。尾門在客戶耐久使用過程中的下垂耐久是最關鍵的性能指標之一，本文首先針對下垂耐久工況進行優化設計研究，然后再對其他性能進行驗證評估。下垂工況的載荷邊界條件定義如下：車門鉸鏈車身端安裝點全約束，車門鎖扣處約束車門轉動方向的切向自由度。完成約束定義后，尾門的載荷施加及求解方法如下：1）重力場施加；2）在車門鎖扣處施加垂直向下的載荷1 000 N，求解尾門鎖扣處的最大垂向位移量；3）對施加在鎖扣處的載荷進行卸載，求解尾門鎖扣處加載點的殘余位移量。優化前，車門在外載荷作用下和卸載后的鎖扣位移如圖2（a）、圖2（b）所示。加載工況下的位移量大于目標值21 mm，而卸載工況的位移大于目標值1 mm，性能不滿足要求，需要進一步優化。

2 基于RBF的車門結構優化

2.1 車門結構參數化前處理

首先將尾門所有零件的料厚進行參數化，包括尾門橫向加強板料厚Tl、尾門內部本體料厚T2、鉸鏈加強板的料厚T3、備胎加強板的料厚T4、尾門下加強板的料厚T5、鎖扣加強板的料厚T6、車門的外板料厚T7、尾門備胎支架料厚T8。基于有限元軟件的網格變形功能，對鉸鏈跨距的尺寸進行參數化，設計變量為d；尾門玻璃框上梁的截面參數定義為設計變量S；尾門焊接工藝過孔的尺寸定義為設計變量L。

2.2 基于試驗設計的RBF神經網絡訓練

最常見的基于空間填充的試驗設計方法有優化拉丁超立方和均勻設計法。優化拉丁超立方試驗設計方法不僅可以保證設計變量在投影上的均勻性，還可以保證設計變量在空間上的均勻性[5]。因此采用優化拉丁超立方試驗設計方法，按表1中11個設計變量的范圍，生成300組不同參數組合的試驗設計矩陣。Isight通過300次調用有限元前處理軟件ANSA，基于每一個試驗設計樣本點生成不同結構參數的有限元模型，然后自動提交ABAQUS進行非線性計算，最后自動化讀取鎖扣安裝點在不同試驗設計樣本點狀態下不同求解工況的位移。

將上述試驗所得到的各設計變量不同水平下得到的響應，即車門在外載荷作用下鎖扣安裝點處的位移、車門卸載工況下鎖扣安裝點的殘余位移作為神經網絡的輸出，而對應的各個設計變量作為神經網絡的輸入，應用RBF徑向基神經網絡擬合出近似模型。

為了提升訓練效果，首先將網絡學習樣本數據歸一化到[-1，1]，再輸入神經網絡進行訓練。選取30個樣本點進行交叉驗證，30個響應量的RBF模型的決定系數（R2）均大于0.95，均方差（MSE）均小于0.1，如表2所示，證明了徑向基神經網絡模型精度達到了較高水平，可用于下一步的優化設計。

2.3 基于RBF的尾門優化與結果

采用Isight軟件內置遺傳優化算法[6]對徑向基神經網絡模型進行優化求解，種群規模設置為500，變異率設為0.01，最小迭代次數設為50，迭代次數上限設為250。最終優化方案的設計變量取值如表3所示，優化后總質量為26.1 kg，比優化前減少了1.0 kg。

優化后在加載工況及卸載工況下的位移如圖3所示。

3 結論

針對某一在研汽車尾門受載大，下垂及殘余變形性能非線性分析優化難度大，本文提出了一種將網格變形技術、徑向基神經網絡、遺傳優化算法相結合的優化方法，來對尾門各種結構參數及料厚同時優化，實現車門的最優化設計。經過優化，尾門的下垂下墜性能滿足要求，同時減重1.0 kg，實現了結構輕量化。從優化結果判斷，鉸鏈跨度對尾門下垂性能影響較大，鉸鏈處的加強板對下垂性能影響較大。優化結果表明，該方法對汽車尾門結構優化具有較大的工程實用價值。

[參考文獻]

[1] 李軍，冷川.基于RBF神經網絡模型的車門多目標輕量化設計[J].重慶交通大學學報（自然科學版），2019，38（11）：127-132.

[2] 秦訓鵬，馮佳偉，王永亮，等.基于響應面方法的微型車車門模態分析與優化[J].中國機械工程，2017，28（14）：1690-1695.

[3] 劉鋒，張瑞乾，陳勇.基于改進遺傳算法的車門優化分析[J].機械設計與制造，2023（12）：41-44.

[4] 張智超，高太元，張磊，等.基于徑向基神經網絡的氣動熱預測代理模型[J].航空學報，2021，42（4）：303-312.

[5] 陳浩然，項忠珂，程文明，等.基于響應面和遺傳算法的C型梁確定性多目標輕量化設計[J].機械強度，2021，43（3）：636-642.

[6] 薛明，韋波，楊祿，等.GA-PSO優化BP神經網絡的遙感影像分類方法[J].遙感信息，2020，35（3）：110-116.

收稿日期：2024-05-30

作者簡介：黃暉（1984—），男，江西撫州人，碩士，高級工程師，主要從事整車研發工作。